UMAS: 多智能体大语言模型系统的系统级不确定性量化框架
UMAS 提出了一种无参数、成本中性的系统级不确定性量化(UQ)框架,通过估计智能体间影响可信度来聚合节点级不确定性。在 Debate 和 DyLAN 基准测试中,UMAS 相比最先进基线平均提升 10.54 AUROC,并在特定任务上通过不确定性感知选择使准确率提高最多 12.6 个点。该框架被 NeurIPS 2026 接收,代码已公开。
UMAS 提出了一种无参数、成本中性的系统级不确定性量化(UQ)框架,通过估计智能体间影响可信度来聚合节点级不确定性。在 Debate 和 DyLAN 基准测试中,UMAS 相比最先进基线平均提升 10.54 AUROC,并在特定任务上通过不确定性感知选择使准确率提高最多 12.6 个点。该框架被 NeurIPS 2026 接收,代码已公开。
dSpark 框架通过日程蒸馏优化扩散语言模型(dLLM)的 token 提交策略,实现快速生成。 在 GSM8K 任务上,该方法使 LLaDA-8B-Instruct 和 Dream-7B-Instruct 分别获得 10.12 倍和 5.12 倍的速度提升,同时保持优越的任务性能。
研究显示,Gemma 2 2B/9B/27B 基座及指令微调模型均呈现核心情绪几何结构,线性映射在跨模型情绪转移中保持高精度。 随着模型规模扩大,主成分方差占比从 31.6% 降至 26.7%,但与人类效价评分的相关性保持在 0.71 至 0.78 之间。
MechAlign 提出项目级语义对齐审查框架,结合形式依赖提取工具 LeanTrace 与基于大语言模型(LLM)的评估机制。 LeanTrace 从 elaborated declarations 构建语句依赖图,保留定义体与结构约束,排除证明体并在显式库边界处停止。 该框架在 201 个主结果上进行了初步审查,并构建了包含 501 个三元组的 LeanReviewBench 数据集。
研究发现 GEPA 的合并操作对 gpt-4.1-mini 和 Qwen3-8B 表现不稳定,但在合适配置下可同时改善两个模型。 九种配置扫描表明,合并不稳定源于配置敏感性而非操作符固有缺陷;基于行为的探针能避免高风险任务中的合并失败。 代码开源为 GEPA-MergeProbe,虽未始终优于 NoMerge,但为理解合并决策提供了诊断依据。
针对现有 MQM 和 ESA 评估方法在人类水平 MT 系统中暴露的粒度粗糙及准确性偏见问题,研究团队提出了 RATE 协议及配套的高质量英语 - 俄语翻译专家数据集。
合并式词汇扩展无法解决 Llama-3 和 Qwen3 分词器对尼泊尔语的多余分词问题,导致其 token 消耗比英语多 2.6 至 5.8 倍。 修复正则表达式后,使用 3.2 万个新合并项可将尼泊尔语 token 量降至英语的 1.01 倍,比标准扩展减少 54%。 该修复在 Llama-3.2-1B 和 Qwen3-0.6B 的持续预训练中被测试,作者已发布相关 tokenizer 和代码。
提出能量引导模型(ESM)用于通用语言建模,整合能量引导与 token 生成。在 26 项下游任务评测中,ESM 表现优于 GPT 且具备可扩展性。权重与训练基础设施已完全开源。
Mistrial 是一款用于验证 LLM 评判者可靠性的工具,支持重跑评估以生成一致性报告。 它通过多次运行不同模型和评分标准,计算自我一致性、Kappa 系数及翻转案例。 该工具旨在解决 LLM 评判不稳定的问题,防止不可信的评分误导 CI 流程。
AI 智能体在 26 小时内用 Claude Code 直接编写 10,578 行 WebAssembly 代码,构建了无框架、无外部依赖的 3D 策略游戏 HarvestChain。
推荐理由:实验验证了无框架 WebAssembly 游戏仅 40 KB 即可运行,揭示了当 AI 直接编写代码时,代码校验需从可读性转向自动化测试与构建规则约束。
OpenAI 宣布在数学、计算机科学与物理领域取得三项重大发现,并发布新的学术合作模式。数学方面,模型证明了欧几里得波动方程的局部平滑性猜想,进而解决了各维度的 Kakeya 猜想和 Stein 限制性猜想。
Anthropic 向 SEC 公开提交 S-1 招股说明书,拟以股票代码 ANT 在纳斯达克上市,潜在估值达 1.5 万亿至 2 万亿美元。2026 年上半年公司营收 162.9 亿美元,其中约 80% 来自按量付费模式,净收入留存率达 900%。尽管账面净亏损 807.5 亿美元,但公司持有约 1317 亿美元现金及短期投资,创始团队保留 50.1% 投票权。
同一新闻,精选展示《Anthropic 向 SEC 提交 IPO 相关 S-1 注册文件》
本书通过编写 C 代码构建名为 `libledger` 的库,利用 SQLite 实现双式记账,并配备 MCP 服务器供 AI 助手在用户批准后协助管账。 核心代码约 3000 行 C 语言,除 SQLite 和 cJSON 外无其他依赖;采用 64 位整数存储金额,通过 noweb 工具实现代码与文档一致性的自动校验。
利用 SageMaker SDK v3 构建双分支 Pipeline,实现边缘设备计算机视觉模型的自动训练、评估与部署。 每相机独立训练 Anomaly Detector 与 ResNet18 分类器,经质量门禁后由 Neo 编译为设备优化构件。 支持 $0.07 低成本全流水线运行,通过 Step Functions 限流并发请求,保障生产稳定性。
Tokensaver 是一款离线运行的开源工具,通过分析 prompt 给出 token 和美元节省建议,支持 55 种语言。
Microsoft 推出 HAX Toolkit 帮助构建用户端 AI 产品的团队设计有效的人-AI 交互体验。该工具包包含三大组件:HAX Design Library 用于学习人-AI 交互指南及其应用模式,HAX Workbook 作为团队讨论和规划指南以优先实施准则,以及 HAX Playbook 帮助使用自然语言处理的应用识别常见故障并规划缓解方案。
预注册研究发现,在模拟50位获奖作家风格的盲测中,通用读者普遍偏爱经微调的AI文本。微调ChatGPT使其在风格保真度和质量上超越人类作家,MFA读者对微调AI的偏好分别为OR=8.16和OR=1.87。 单次微调成本中位数为81美元,细分为微调消除了AI可检测特征,其结果对版权合理使用分析具有证据意义。
HumanLayer是一个开源monorepo,让团队通过桌面、Web和daemon统一管理Claude Code、Codex、OpenCode、Pi等编码Agent的会话、任务、计划和评审。代码基于Turborepo和Bun,支持自托管,采用Apache 2.0许可证。
On-Policy Self-Training Data-Free Self-Improvement in Large Language Models paper: https://huggingface.co/papers/2610.32770
AIVS 利用 Codex 将剧本转换为分镜脚本,并通过 LTX-2.5 在 Apple Silicon 本地渲染含语音的视频。 LTX-2.5 以 1280×704 分辨率、24 fps 生成 4–12 秒片段,采用 FFmpeg 组装,支持场景间帧级连续性。 应用需约 50 GiB 磁盘空间,依赖 Hugging Face token 及本地 Whisper 模型进行语音校验。
Graph-MIND 发布本地 AI 编码智能体记忆工具,保存对话不消耗 LLM token,在 LongMemEval 基准测试中准确率达 88.8%。工具支持 Claude Code、Codex 等应用共享同一本地记忆,无需云端,支持英语和韩语,可在 Windows、macOS 和 Linux 上安装,使用 AGPL-3.0 开源协议发布。
IDHN v0.3.1 是一款针对 Codex 等 AI 编码智能体的权限管控工具,通过在宿主和代理之间插入确定性策略边界,将文件系统、网络和操作权限限制在任务所需的严格范围内。实测数据显示,在原生沙盒允许越权修改关键文件并导致数据损坏的场景下,IDHN 能够精准拦截该操作,且未降低合法任务的执行成功率,同时提供不可篡改的审计日志。
该 Agent 技能在本地模糊统计 LLM 文本水印,支持处理 Claude、Gemini 及 OpenAI 等模型。核心机制是通过改写替换 token 采样信号,从而降低绿名单 z-score。 工具同时剥离不可见 Unicode 及 C2PA 等元数据,但无法消除像素或音频水印。重写不能保证供应商检测器失效,且对上下文哈希水印的对齐破坏有限。
agentic-project-kit 更新至 v1.1.6,新增 Successor Handoff Package 机制及 E1 证据归档功能,支持通过确定性包替代聊天记忆进行交接。
阿里云百炼开发者 MrsFlower 发布无障碍数学公式学习工具,支持将网页公式转译为结构化中文读法。 该工具结合规则引擎与 qwen3.7-plus 模型生成五段式讲解,并通过 qwen3-tts-flash 合成语音,全程键盘可达且读屏闭环。 该工具无需注册即可在网页版体验,或安装浏览器插件在 Chrome/Edge 中随时使用,帮助视障学生解决公式学习障碍。
Load-lock 是一款机器级全局信号量工具,专为解决并行 AI 编码智能体(如 OpenCode、Codex CLI、Claude Code)构建与测试资源争用问题而设计。 该工具实现了一个共享计数信号量,支持原子获取、FIFO 排队,并允许智能体在等待期间继续执行轻量级任务,从而实现高效协作。
三星 Samsung RX China 团队提出 ε4P 方法,通过控制不同数据源在 flow matching 的噪声区间参与训练,将不完美数据转化为性能增益。
英伟达 GeForce 显卡的隐藏算力被开源解锁,RTX 4090 在 FP16/BF16 输入、FP32 累加的 Tensor Core 运算中吞吐率从 165.6 TFLOPS 提升至 331.6 TFLOPS,接近翻倍。
推荐理由:开源社区发现并解锁了英伟达消费级显卡的隐藏算力,读者可据此了解底层配置对 GPU 吞吐的影响及实际收益边界。
岩山科技旗下岩芯矩阵联合港科大、CMU等机构开源了模型EdgeRock-4B,其核心创新在于固定KV Cache占用为72MiB,不随上下文长度增加。
推荐理由:该模型展示了固定内存下长推理的可行方案,并提供了开源代码与模型,便于工程落地参考。
开发者 Gathin 用 Claude Code 通过 Wi-Fi 接入小米电视,禁用 25 个系统组件并写极简桌面,将 prompt、源码和踩坑记录开源为 CleanYourTV,项目几天内获约 1.37 万 Star。
数美万物开源经过生产环境验证的 Hi3D V1.0 模型,支持最高 1536³ 有效稀疏表面提取网格分辨率。该模型在九种方法对比中取得了最高的多视角几何一致性和几何细节丰富度得分,综合人类偏好得分达 85.9%。
推荐理由:原文展示了Hi3D V1.0开源的技术指标和验证细节,说明了高精度三维模型走向实际开发流程的可行性。
小米技术委创新产品团队在观猹大会推出开源 AI 硬件 HachimoDock,硬件自制成本约 150 元。该设备支持通过自然语言生成自定义组件,语音操控电脑端 Agent 并联动小米 Miloco 智能家居,其软件源码及硬件物料清单已在 GitHub 公开。
TriHerm Labs 推出本地优先视频制作工具 Cutmark,让用户与 AI 智能体在 Mac 本地完成从拍摄到发布的完整视频生产流程,视频源文件与项目数据均保留在 ~/Movies/Cutmark 目录下。
研究提出受 Alman 和 Song 近期工作启发的近似注意力算法,将大语言模型中注意力计算的 I/O 复杂度从关于上下文长度 $n$ 的二次依赖降至接近线性,并建立了近乎匹配的下界。
研究通过 16,572 次审计发现,LLM 对静态分析证据存在不对称盲从,虚假保证使漏洞检测率降低多达 19 分,而虚假警报未显著降低准确率。 实验覆盖 916 个 PrimeVul 函数对及 11 种来自 4 家供应商的模型配置,内部注册复制显示虚假保证对判决影响更大(平均不对称性 +0.16)。 研究建议管道在模型依赖前验证工具保证,并采用方向感知方式测量盲从。
AgentGUI 是一款本地化图形界面,用于观察和引导长时间运行的 AI 智能体,在用户研究中使识别关键元素时间缩短 38%。 其自动化漂移预防功能将 0.8B–9B 小模型的任务完成率最高提升 34 个百分点。 该项目已公开开源,并配套演示视频。
开源工具包 AU-Harness 解决音频大语言模型评估效率低与支持不足的问题,将评估处理时间减少 77%。 其提供标准化评估协议和灵活配置,支持多轮对话动态分析,使大规模系统评估成为可能。 该框架推进了音频大语言模型的系统性开发,并揭示了现有模型在音频推理能力上的局限。
提出NGTR框架与基准测试,通过邻居引导工具链提升视觉大语言模型在无训练场景下的表格识别能力。 实验证实该方法显著增强模型对低质量图像输入的识别表现,发表于IJCAI 2025会议。 为无结构表格识别提供替代解决方案,解决视觉输入瓶颈问题。
该基准包含 2400 个高危问题,使用 DeHarm-Score 评估 31 个前沿 LLM。 研究显示 DeHarm-Score 与专家标注一致性提升 90.17%,深度研究代理危害分比标准 LLM 高 32.3%。 代码与数据集已公开,揭示了自动代理在安全防御中的盲区。
团队开源了 RobustRLlib,这是一个统一的鲁棒强化学习库与基准,整合了 17 种代表性算法以解决复用性限制。 它在 273 种扰动配置下提供评估,构建了当前鲁棒算法的能力图谱,并扩展至人形及视觉-语言-动作任务。 作为开源平台,它支持在新问题中复现现有方法,并为开发新算法提供可扩展代码库。